数据挖掘神经网络BP算法.pptVIP

7.3 神经网络算法 7.3.1 神经网络的基本原理 人工神经网络是在研究生物神经系统的启发下发展起来的一种信息处理方法。它模拟生物神经系统结构，由大量处理单元组成非线性自适应动态系统，具有高度非线性的超大规模实践特性，网络的全局作用、大规模并行分布处理及高度的鲁棒性和容错性，有联想记忆、抽象概括和自适应能力，这种抽象概括和自适应能力一般称之为自学能力。 工程上用的人工神经元模型如图所示： 7.3.2 反向传播模型 1.工作原理 神经网络模型分为前馈多层式网络模型、反馈递归式网络模型、随机型网络模型等。 误差反向传播(Back propagation，简称BP网络) ，又称为多层前馈神经网络。 其模型结构如图7.3所示 2.学习过程 BP网络学习过程是一种误差边向后传播边修正权系数的过程，BP算法把网络的学习过程分为正向传播和反向传播两种交替过程。 （1）正向传播 输入信息先传到隐藏层的结点上，经过各单元的特性为S型的激活函数运算后，把隐藏层结点的输出信息传到输出结点，最后给出输出结果。 （2）反向传播 如果得不到实际的输出，则转入反向传播过程，将误差信号沿原来的连接线路返回，通过修改各层神经元的权值，逐次地向输入层传播进行计算，再经过正向传播过程。这两个过程的反复运用，逐渐使得误差信号最小，网络学习过程就结束。 3．B